Curso PYTHON Básico. FOLIUM

Grado Tecnologías Interactivas : Tecnologías de la Información Geográfica

FOLIUM es una biblioteca de visualización de Python que se desarrolló con el único fin de visualizar datos geoespaciales. Es una biblioteca completamente gratuita.

Tabla de Contenido

• Acerca de los conjuntos de datos (DataFrame)
• Mapa Puntual
• Mapa de calor
• Mapa de calor con función tiempo
• Tareas a realizar

Base de datos: https://datos.madrid.es/portal/site/egob

Documentación: https://python-visualization.github.io/folium/

Estudio de la accidentalidad de la ciudad de Madrid mediante mapa de calor y puntual.

Caso de estudio

Crear un mapa de calor y puntual de los accidentes originados por vehiculos y bicicletas.

import pandas as pd
import folium
from folium import plugins
import webbrowser

accidentes_df = pd.read_csv('2020_Accidentalidad.csv')
# Es opcional colocar el tipo de separador y la codificación. Por defecto es , y UTF-8 peró hay ficheros csv
# con formato sep=';', encoding = 'cp1252')
accidentes_df.head(10)

	num_expediente	fecha	hora	localizacion	numero	distrito	tipo_accidente	estado_meteorológico	tipo_vehiculo	tipo_persona	rango_edad	sexo	lesividad	coordenada_x_utm	coordenada_y_utm	positiva_alcohol	positiva_droga	longitud	latitud
0	2019S040008	07/09/2020	23:00:00	CALL. SAN MAXIMILIANO, 38	38	CIUDAD LINEAL	Choque contra obstáculo fijo	Despejado	Turismo	Conductor	De 21 a 24 años	Hombre	NaN	444597.85	4475156.03	N	NaN	-3.653110	40.425193
1	2019S040008	07/09/2020	23:00:00	CALL. SAN MAXIMILIANO, 38	38	CIUDAD LINEAL	Choque contra obstáculo fijo	Despejado	VMU eléctrico	Conductor	De 25 a 29 años	Mujer	NaN	444597.85	4475156.03	N	NaN	-3.653110	40.425193
2	2020S000001	01/01/2020	1:15:00	AVDA. CANILLEJAS A VICALVARO / CALL. SILFIDE	1	SAN BLAS-CANILLEJAS	Colisión fronto-lateral	NaN	Turismo	Conductor	De 18 a 20 años	Hombre	NaN	447710.62	4477155.83	N	NaN	-3.616582	40.443410
3	2020S000001	01/01/2020	1:15:00	AVDA. CANILLEJAS A VICALVARO / CALL. SILFIDE	1	SAN BLAS-CANILLEJAS	Colisión fronto-lateral	NaN	Turismo	Conductor	De 30 a 34 años	Hombre	NaN	447710.62	4477155.83	S	NaN	-3.616582	40.443410
4	2020S000002	01/01/2020	1:20:00	CALL. SILVANO, 31	31	HORTALEZA	Choque contra obstáculo fijo	Despejado	Turismo	Conductor	De 21 a 24 años	Hombre	NaN	445076.26	4478372.07	N	NaN	-3.647749	40.454197
5	2020S000002	01/01/2020	1:20:00	CALL. SILVANO, 31	31	HORTALEZA	Choque contra obstáculo fijo	Despejado	Turismo	Pasajero	De 40 a 44 años	Hombre	NaN	445076.26	4478372.07	N	NaN	-3.647749	40.454197
6	2020S000003	01/01/2020	2:00:00	CALL. BRAVO MURILLO, 1	1	CHAMBERÍ	Alcance	Despejado	Turismo	Conductor	De 40 a 44 años	Hombre	NaN	440242.56	4476174.20	N	NaN	-3.704545	40.434064
7	2020S000003	01/01/2020	2:00:00	CALL. BRAVO MURILLO, 1	1	CHAMBERÍ	Alcance	Despejado	Turismo	Conductor	De 70 a 74 años	Hombre	NaN	440242.56	4476174.20	S	NaN	-3.704545	40.434064
8	2020S000003	01/01/2020	2:00:00	CALL. BRAVO MURILLO, 1	1	CHAMBERÍ	Alcance	Despejado	Turismo	Pasajero	De 40 a 44 años	Mujer	NaN	440242.56	4476174.20	N	NaN	-3.704545	40.434064
9	2020S000004	01/01/2020	1:00:00	CALL. MANDARINA, 5	5	CIUDAD LINEAL	Choque contra obstáculo fijo	Despejado	Furgoneta	Conductor	Desconocido	Desconocido	NaN	445416.48	4476669.75	N	NaN	-3.643590	40.438884

# Crear una nueva Dataframe que cumple las condiciones establecidas
acci_df=accidentes_df.loc[(accidentes_df['tipo_persona']=='Conductor')] 
                          
# Si quisieramos introduccir más condicionantes --- & (accidentes_df['tipo_vehiculo']=='Turismo')& (accidentes_df['rango_edad']=='De 18 a 20 años')]

Mapa Puntual (MarkerCluster)

Los mapas puntuales permiten plasmar variables georeferenciadas, para un mejor entendimiento por parte del usuario de la distribucción de los mismas.

Diferentes plugins de Folium: https://python-visualization.github.io/folium/plugins.html

Iconos con prefijo 'fa': https://fontawesome.com/v5.15/icons?d=gallery&p=2&m=free

from folium import plugins

# Crear el mapa base donde representar
mapa_accidentes = folium.Map(location=(40.43,-3.65), tiles = 'Stamen Terrain', zoom_start = 12)

# Crear diferentes dataframes 
coche_df=acci_df.loc[(acci_df['tipo_vehiculo']=='Turismo')] 
bici_df=acci_df.loc[(acci_df['tipo_vehiculo']=='Bicicleta')]

# crear un objeto de grupo de marcas para los incidentes en el DataFrame
coches = plugins.MarkerCluster( name="Accidentes_coche",).add_to(mapa_accidentes)
bicis = plugins.MarkerCluster( name="Accidentes_bicis",).add_to(mapa_accidentes)

# procesar el DataFrame y agregar cada punto de datos al grupo de marcas creado anteriormente
for lat, lng, label, in zip(coche_df.latitud, coche_df.longitud, coche_df['num_expediente']): #dos formas diferentes de llamar a un campo
    folium.Marker(
        location=[lat, lng],
        icon=folium.Icon(color="orange", icon="car", prefix = 'fa'),
        popup=label,
        ).add_to(coches)

for lat, lng, label, in zip(bici_df.latitud, bici_df.longitud, bici_df['num_expediente']): #dos formas diferentes de llamar a un campo
    folium.Marker(
        location=[lat, lng],
        icon=folium.Icon(color="blue", icon="bicycle", prefix = 'fa'),
        popup=label,
        ).add_to(bicis)
mapa_accidentes

Make this Notebook Trusted to load map: File -> Trust Notebook

Mapa de Calor (HeatMap)

Los mapas de calor, o heatmaps, son un tipo de representación dentro de de la simbología de mapas que nos permite mostrar al usuario los puntos calientes o conjuntos de datos más relevantes dentro de una nube de puntos. Con una combinación de opciones de simbología y datos cuantitativos provenientes de base de datos georeferenciadas, obtendras mapas que reflejan concentraciones o distribuciones espaciales de variables no continuas en el espacio.

# Ejecutar el pluging HeatMap
# la lista de datos puede ser de 2 formas (Latitud, Longitud) o (Latitud, Longitud y Peso).
plugins.HeatMap(data=acci_df[['latitud', 'longitud']], radius=13, use_local_extrema=True, name="Mapa de calor").add_to(mapa_accidentes)

<folium.plugins.heat_map.HeatMap at 0x1f9dd0a62e0>

# publicar el mapa
import webbrowser

folium.LayerControl().add_to(mapa_accidentes)
mapa_accidentes.save("mapa_acci.html")
webbrowser.open_new_tab('mapa_acci.html')

True

Mapa de calor con evolución en el tiempo (HeatMapWithTime)

Este plugin nos permite generar mapas de calor de diferentes periodos de tiempo especificados y representarlos mediante automatizacion con un play que nos permite represesentar la evolución del fenómeno

# Crear una nueva Dataframe que cumpla unas determinadas condiciones
acci_df=accidentes_df.loc[(accidentes_df['tipo_persona']=='Conductor') & (accidentes_df['tipo_vehiculo']=='Turismo')]

# Crear un campo en el Dataframe con el valor del mes extraido de la fecha
import datetime
mes = pd.DatetimeIndex(acci_df['fecha']).month 
acci_df = acci_df.assign(mes = mes)  

# Generar lista para el slider del visualizador
lista_tiempo = ['Enero','Febrero','Marzo','Abril','Mayo', 'Junio', 'Julio', 'Agosto', 'Septiembre', 'Octubre', 'Noviembre','Diciembre']

lista_peso = [] # Crear una lista vacia
acci_df = acci_df.assign(peso = 1)  # crear un campo nuevo con valor por defecto 1

# Rellenar la lista con los campos (Latitud, Longitud y Peso) necesarios para HeatMap
for x in acci_df['mes'].sort_values().unique():
   lista_peso.append(acci_df.loc[acci_df['mes']==x,   # Agrupar los valores con latitud y longitud igual 
                  ['latitud','longitud','peso']].groupby(['latitud','longitud']) 
                  .sum().reset_index().values.tolist())

# Generar el mapa
madrid_map = folium.Map(location=(40.43,-3.65), control_scale = True, tiles = 'Stamen Terrain', zoom_start = 12)

# Ejecutar el pluging HeatMapWithTime
plugins.HeatMapWithTime(lista_peso, radius = 30, index = lista_tiempo,
                        auto_play = False, min_opacity = 0.5, max_opacity = 1, use_local_extrema=True, name="Accidentes_coche_2020").add_to(madrid_map)

# publica el mapa
folium.LayerControl().add_to(madrid_map)
madrid_map.save("madrid_acci.html")
webbrowser.open_new_tab('madrid_acci.html')

TAREA 1

Realizar un mapa gestión de residuos de la ciudad de Madrid.

Crear capas diferenciadas de mapa de calor de los residuos (vidrio, envases) y un mapa único con la ubicación de los contenedores diferenciados por el tipo de contenedor (vidrio, envases, papel, organico).

# Abrir la base de datos Contenedores_varios.csv
contenedores_df = pd.read_csv('Contenedores_varios.csv', sep=';')
contenedores_df.head(10)

C:\Users\JJPEAJAR\.conda\envs\geomatica\lib\site-packages\IPython\core\interactiveshell.py:3444: DtypeWarning: Columns (0,2) have mixed types.Specify dtype option on import or set low_memory=False.
  exec(code_obj, self.user_global_ns, self.user_ns)

	Código Interno del Situad	Tipo Contenedor	Modelo	Descripcion Modelo	Cantidad	Lote	Distrito	Barrio	Tipo Vía	Nombre	Número	COORDENADA X	COORDENADA Y	LONGITUD	LATITUD	DIRECCION
0	168755	ENVASES	NaN	Env 3200 CL	1.0	1	CENTRO	NaN	PLAZA	SALESAS	9.0	441062.99	4475052.45	-3.694768	40.424017	PLAZA SALESAS. 9
1	168755	VIDRIO	NaN	V 2200 CL VACRI	1.0	1	CENTRO	NaN	PLAZA	SALESAS	9.0	441062.99	4475052.45	-3.694768	40.424017	PLAZA SALESAS. 9
2	168753	VIDRIO	NaN	V 2200 CL	1.0	1	CENTRO	NaN	CALLE	MEJIA LEQUERICA	20.0	440680.69	4475502.55	-3.699317	40.428045	CALLE MEJIA LEQUERICA. 20
3	170313	RESTO	NaN	Res 800	1.0	1	FUENCARRAL-EL PARDO	NaN	CALLE	ISLA DE JAVA	55.0	441852.02	4482612.15	-3.686160	40.492174	CALLE ISLA DE JAVA. 55
4	169874	ENVASES	NaN	Env 800	1.0	1	FUENCARRAL-EL PARDO	NaN	AVENIDA	CARDENAL HERRERA ORIA	271.0	438643.32	4481240.57	-3.723888	40.479587	AVENIDA CARDENAL HERRERA ORIA. 271
5	172855	ORGANICA	NaN	O 800	1.0	1	LATINA	NaN	CALLE	CAMPO FLORIDO	6.0	434274.20	4472308.23	-3.774507	40.398788	CALLE CAMPO FLORIDO. 6
6	172752	ENVASES	NaN	Env 800	1.0	1	LATINA	NaN	CALLE	CINE	46.0	434301.50	4471948.99	-3.774148	40.395554	CALLE CINE. 46
7	172852	ENVASES	NaN	Env 800	1.0	1	LATINA	NaN	CALLE	CARTAYA	8.0	434548.32	4472017.57	-3.771247	40.396191	CALLE CARTAYA. 8
8	170651	ENVASES	NaN	Env 800	1.0	1	FUENCARRAL-EL PARDO	NaN	CALLE	KANT	2.0	441056.26	4488113.29	-3.696062	40.541674	CALLE KANT. 2
9	184413	RESTO	NaN	Res 800	1.0	1	FUENCARRAL-EL PARDO	NaN	AVENIDA	VENTISQUERO DE LA CONDESA	46.0	439188.08	4482985.43	-3.717629	40.495346	AVENIDA VENTISQUERO DE LA CONDESA. 46

# Crear diferentes dataframes para los residuos indicados
cvidrio_df=contenedores_df.loc[(contenedores_df['Tipo Contenedor']=='VIDRIO')] 
cenvases_df=contenedores_df.loc[(contenedores_df['Tipo Contenedor']=='ENVASES')] 
cresto_df=contenedores_df.loc[(contenedores_df['Tipo Contenedor']=='RESTO')] 
corganica_df=contenedores_df.loc[(contenedores_df['Tipo Contenedor']=='ORGANICA')] 
cvidrio_df.head(10)
corganica_df.head(10)

	Código Interno del Situad	Tipo Contenedor	Modelo	Descripcion Modelo	Cantidad	Lote	Distrito	Barrio	Tipo Vía	Nombre	Número	COORDENADA X	COORDENADA Y	LONGITUD	LATITUD	DIRECCION
5	172855	ORGANICA	NaN	O 800	1.0	1	LATINA	NaN	CALLE	CAMPO FLORIDO	6.0	434274.20	4472308.23	-3.774507	40.398788	CALLE CAMPO FLORIDO. 6
19	170347	ORGANICA	NaN	O 800	1.0	1	FUENCARRAL-EL PARDO	NaN	CALLE	SAN CUGAT DEL VALLES	15.0	440907.32	4483141.37	-3.697357	40.496875	CALLE SAN CUGAT DEL VALLES. 15
30	171533	ORGANICA	NaN	O 800	1.0	1	MONCLOA-ARAVACA	NaN	CALLE	BAJA DE LA IGLESIA	13.0	433639.55	4478866.09	-3.782669	40.457813	CALLE BAJA DE LA IGLESIA. 13
33	171537	ORGANICA	NaN	O 800	1.0	1	MONCLOA-ARAVACA	NaN	CALLE	CAROLI	20.0	433561.13	4478776.96	-3.783585	40.457004	CALLE CAROLI. 20
36	171542	ORGANICA	NaN	O 800	1.0	1	MONCLOA-ARAVACA	NaN	CALLE	CAROLI	10.0	433479.35	4478940.17	-3.784566	40.458467	CALLE CAROLI. 10
37	171567	ORGANICA	NaN	O 800	1.0	1	MONCLOA-ARAVACA	NaN	CALLE	OLIVO	42.0	433628.07	4478960.62	-3.782815	40.458663	CALLE OLIVO. 42
38	171601	ORGANICA	NaN	O 800	1.0	1	MONCLOA-ARAVACA	NaN	PASEO	ERMITA	7.0	433811.19	4479091.04	-3.780669	40.459853	PASEO ERMITA. 7
40	171622	ORGANICA	NaN	O 800	1.0	1	MONCLOA-ARAVACA	NaN	PLAZA	MARQUES DE CAMARINES	2.0	433590.93	4478955.30	-3.783252	40.458613	PLAZA MARQUES DE CAMARINES. 2
42	171675	ORGANICA	NaN	O 800	1.0	1	MONCLOA-ARAVACA	NaN	CALLE	ARCOS DE LA FRONTERA	51.0	433520.67	4479072.77	-3.784093	40.459665	CALLE ARCOS DE LA FRONTERA. 51
44	169298	ORGANICA	NaN	O 800	1.0	1	TETUAN	NaN	CALLE	CAPITAN BLANCO ARGIBAY	20.0	440898.33	4479605.13	-3.697133	40.465018	CALLE CAPITAN BLANCO ARGIBAY. 20

# Generar mapa
mapa_contenedores = folium.Map(location=(40.43,-3.65), tiles = 'Stamen Terrain', zoom_start = 12)
# Generar mapas de calor
plugins.HeatMap(data=cvidrio_df[['LATITUD', 'LONGITUD']], radius=13, use_local_extrema=True, name="Mapa de calor Vidrio").add_to(mapa_contenedores)
plugins.HeatMap(data=cenvases_df[['LATITUD', 'LONGITUD']], radius=13, use_local_extrema=True, name="Mapa de calor Envases").add_to(mapa_contenedores)

# crear objetos de grupo de marcas para los incidentes en el DataFrame
vidrio = plugins.MarkerCluster( name="Contenedores de vidrio",).add_to(mapa_contenedores)
envases = plugins.MarkerCluster( name="Contenedores de envases",).add_to(mapa_contenedores)
resto = plugins.MarkerCluster( name="Contenedores de resto",).add_to(mapa_contenedores)
organico = plugins.MarkerCluster( name="Contenedores de orgánico",).add_to(mapa_contenedores)
# procesar el DataFrame y agregue cada punto de datos al grupo de marca

for lat, lng, label, in zip(cvidrio_df['LATITUD'], cvidrio_df['LONGITUD'], cvidrio_df['Descripcion Modelo']):
    folium.Marker(
        location=[lat, lng],
        icon=folium.Icon(color="orange", icon="info-sign"),
        popup=label,
        ).add_to(vidrio)
    
for lat, lng, label, in zip(cenvases_df['LATITUD'], cenvases_df['LONGITUD'], cenvases_df['Descripcion Modelo']):
    folium.Marker(
        location=[lat, lng],
        icon=folium.Icon(color="blue", icon="info-sign"),
        popup=label,
        ).add_to(envases)
for lat, lng, label, in zip(cresto_df['LATITUD'], cresto_df['LONGITUD'], cresto_df['Descripcion Modelo']):
    folium.Marker(
        location=[lat, lng],
        icon=folium.Icon(color="green", icon="info-sign"),
        popup=label,
        ).add_to(resto)
    
for lat, lng, label, in zip(corganica_df['LATITUD'], corganica_df['LONGITUD'], corganica_df['Descripcion Modelo']):
    folium.Marker(
        location=[lat, lng],
        icon=folium.Icon(color="red", icon="info-sign"),
        popup=label,
        ).add_to(organico)

# publicar el mapa. Contenedores.html

folium.LayerControl().add_to(mapa_contenedores)
mapa_contenedores.save("contenedores.html")
webbrowser.open_new_tab('contenedores.html')

True

TAREA 2

Realizar html con mapas de calor de accidentes en 2020

Realizar varios mapas de calor de accidentes producidos en la ciudad de Madrid, a lo largo del 2020 y distribuido por meses, que se han visto involucrados conductores diferenciados por sexo y con vehiculos distintos al turismo,

# Crear una nueva Dataframe que cumpla unas determinadas condiciones
accid_df=accidentes_df.loc[(accidentes_df['sexo']=='Hombre') & (accidentes_df['tipo_vehiculo']!='Turismo') & (accidentes_df['tipo_persona']=='Conductor')]

# Crear un campo en el Dataframe con el valor del mes extraido de la fecha
mes = pd.DatetimeIndex(accid_df['fecha']).month 
accid_df = accid_df.assign(mes = mes)  

# lista para el slider del visualizador
lista_tiempo = ['Enero','Febrero','Marzo','Abril','Mayo', 'Junio', 'Julio', 'Agosto', 'Septiembre', 'Octubre', 'Noviembre','Diciembre']

# Crear una lista vacia
lista_peso = []

# crear un campo nuevo con valor por defecto 1
accid_df = accid_df.assign(peso = 1)

# Rellenar la lista con los campos (Latitud, Longitud y Peso) necesarios para HeatMap
for x in accid_df['mes'].sort_values().unique():
   lista_peso.append(accid_df.loc[accid_df['mes']==x,   # Agrupar los valores con latitud y longitud igual 
                  ['latitud','longitud','peso']].groupby(['latitud','longitud']) 
                  .sum().reset_index().values.tolist())

# Generar el mapa
madrid2_map = folium.Map(location=(40.43,-3.65), control_scale = True, tiles = 'Stamen Terrain', zoom_start = 12)
# Ejecutar el pluging HeatMapWithTime
plugins.HeatMapWithTime(lista_peso, radius = 30, index = lista_tiempo,
                        auto_play = False, min_opacity = 0.5, max_opacity = 1, use_local_extrema=True, name="Accidentes_coche_2020").add_to(madrid2_map)

# publica el mapa. Accidentes_Madrid.html

folium.LayerControl().add_to(madrid2_map)
madrid2_map.save("Accidentes_Madrid.html")
webbrowser.open_new_tab('Accidentes_Madrid.html')

True